med seg diff pytorch

MedSegDiff - Pytorch

Implementasi MedSegDiff di Pytorch - segmentasi medis SOTA dari Baidu menggunakan DDPM dan pengondisian yang ditingkatkan pada tingkat fitur, dengan pemfilteran fitur dalam ruang fourier.

Apresiasi

• StabilityAI atas sponsor yang murah hati, serta sponsor saya yang lain di luar sana

• Isamu dan Daniel telah menambahkan skrip pelatihan untuk kumpulan data lesi kulit!

Memasang

$ pip install med-seg-diff-pytorch

Penggunaan

 import torch
from med_seg_diff_pytorch import Unet , MedSegDiff

model = Unet (
    dim = 64 ,
    image_size = 128 ,
    mask_channels = 1 ,          # segmentation has 1 channel
    input_img_channels = 3 ,     # input images have 3 channels
    dim_mults = ( 1 , 2 , 4 , 8 )
)

diffusion = MedSegDiff (
    model ,
    timesteps = 1000
). cuda ()

segmented_imgs = torch . rand ( 8 , 1 , 128 , 128 )  # inputs are normalized from 0 to 1
input_imgs = torch . rand ( 8 , 3 , 128 , 128 )

loss = diffusion ( segmented_imgs , input_imgs )
loss . backward ()

# after a lot of training

pred = diffusion . sample ( input_imgs )     # pass in your unsegmented images
pred . shape                              # predicted segmented images - (8, 3, 128, 128) 

Pelatihan

Perintah untuk dijalankan

accelerate launch driver.py --mask_channels=1 --input_img_channels=3 --image_size=64 --data_path= ' ./data ' --dim=64 --epochs=100 --batch_size=1 --scale_lr --gradient_accumulation_steps=4

Jika Anda ingin menambahkan kondisi self yang kita kondisikan dengan mask yang kita miliki selama ini, lakukan --self_condition

Semua yang harus dilakukan

• beberapa kode pelatihan dasar, dengan Pelatih menggunakan kumpulan data khusus yang disesuaikan untuk format gambar medis - terima kasih kepada @isamu-isozaki
• trafo full-blown dengan kedalaman berapa pun di tengahnya, seperti yang dilakukan pada difusi sederhana

Kutipan

 @article { Wu2022MedSegDiffMI ,
    title   = { MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model } ,
    author  = { Junde Wu and Huihui Fang and Yu Zhang and Yehui Yang and Yanwu Xu } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2211.00611 }
}

 @inproceedings { Hoogeboom2023simpleDE ,
    title   = { simple diffusion: End-to-end diffusion for high resolution images } ,
    author  = { Emiel Hoogeboom and Jonathan Heek and Tim Salimans } ,
    year    = { 2023 }
}